AI短剧的全流程:从立项到成片的完整生产解剖

AI短剧的生产流程并非单一线性路径。2026年的产业实践中，实际上并行着两种底层逻辑不同的流程范式：“工业化流水线” 与 “迭代式创作流” 。前者以效率与批量产出为目标，将制作拆解为标准化工序；后者以创作者意图为核心，允许流程倒置与反复推倒重来。理解这一分野，是掌握AI短剧全流程的前提。

一、流程的两种范式：先厘清概念

工业化流水线是当前主流商业制作的组织方式。其核心逻辑是将AI短剧生产拆解为“剧本立项—AI解析—人设生成—抽卡生视频—后期精修”的标准化“流水线” ，每个环节有明确的输入输出、交付标准和工具配置。这一范式的驱动力是成本与产能：一部60集短剧可由5人团队在8天内完成，而传统工具需要3到6个月。厦门“剧火AI”平台甚至宣称“一个人、一台电脑、3小时、约200元”即可产出一集成片。

迭代式创作流则见于追求风格辨识度的创作者主导项目。爆款AI短剧《非妖哉》的创作者“不吃榨菜”描述了一种截然不同的流程：“这些是可以倒着做的” 。他并不先完成完整剧本再进入画面制作，而是从画面生成结果反推人物动机与剧情走向——第二集中角色阿牛一个“摸铁链”的画面生成出来后，他推翻了原本“纯粹坏人”的人设，将整个剧本重新改写。这种流程的本质是以视觉生成结果作为创作变量，而非单纯的执行环节。

两种范式并非互斥。即便是流水线生产，在“抽卡”环节也保留着显著的概率性与人工筛选空间；迭代式创作同样需要结构化的资产管理来维持角色一致性。后文的流程阐述以工业化流水线为主干，在关键节点标注迭代式创作的处理差异。

二、阶段一：立项与剧本工程

概念

这是整个流程的“定义阶段”——确定做什么、给谁看、以何种叙事结构承载。传统短剧的剧本创作动辄数周，而AI短剧的立项与初稿生成被压缩到极短周期：向AI短剧平台输入一句简单想法，智能体10分钟内即可产出包含分集、反转、人物弧光的结构完整剧本。

但需要区分“AI生成剧本”与“AI辅助剧本”。实际商业制作中，头部团队往往并不直接使用AI从零生成的剧本。某影视公司AI事业部负责人明确表示：“AI短剧的剧本其实不是AI生成”，素材来源更多是平台IP库、小说改编或人工创作的本子。AI在剧本环节的真正价值在于结构化解析与合规净化：将已有剧本“投喂”给大模型，搭配精准提示词，输出世界观、人物关系、场景、核心情节、道具等制作级要素；同时完成违规内容的筛查与修改。

参考样式

剧本输出的标准形态通常是一份结构化JSON或分镜表，而非纯文本剧本。以ComfyUI+Dify工作流为例，LLM节点接收故事大纲后，直接输出包含集数、每集分镜（镜头号、时长、提示词、运镜、对话）的结构化数据。Jellyfish等一站式工具则将剧本处理细化为“镜头拆分—角色/场景/道具/服装要素提取—对白提取—一致性检查—角色画像分析”的标准化管线。

主要工具

·通用大语言模型：DeepSeek、Qwen、Claude、Kimi等，用于剧本结构化拆解与提示词生成。

·一站式平台内置剧本Agent：小云雀AI短剧Agent支持上传最多10万字剧本，自动完成“故事蓝图构建—角色设计—分镜生成”；有戏AI将剧本解析嵌入全流程闭环，支持5万字超长剧本导入。

·专用剧本工作区：如dsh-plugin-ai-drama，将立项→总纲→人物→世界观→剧本→分镜收进结构化工作区，附带34个 drama_* 工具与9个随包技能。

三、阶段二：AI解析与资产设计——角色一致性的工程化攻克

概念

这是AI短剧区别于传统影视最深刻的环节。传统拍摄中，演员的物理在场天然保证了“同一张脸”；AI生成中，同一个角色在不同镜头里“生成一次变一次”，被业内称为“脸崩”。因此，资产设计的核心任务不是“画出一个好看的角色”，而是建立一套可跨镜头复用的身份约束系统。

这一环节的工作对象是“资产实体”：角色、场景、道具、服装。每个实体需要生成并锁定多组参考视图（典型如三视图），并建立与后续每一颗镜头的关联关系。

技术实现的三层机制

角色一致性的工程化方案通常叠加以下三层机制，按控制强度递增：

第一层：参考图约束（IP-Adapter / FaceID） 。将角色的标准照作为“长相锚点”在每次生成时喂入模型，用参考图像的视觉特征约束输出。ComfyUI工作流中，IPAdapter加载角色参考图、FaceID节点锁定面部特征，是当前最通用的即时约束方案。

第二层：角色LoRA训练。用同一角色的多张图像训练一个小型低秩适配模型，将角色特征“写进”模型参数。后续生成时调用该LoRA，模型在采样阶段即受角色身份约束，稳定性显著高于单纯的参考图注入。LoRA训练通常使用Kohya_ss工具完成。

第三层：ControlNet姿态与构图控制。用OpenPose等ControlNet节点锁定人物的肢体姿态和画面构图，使角色在保持面部一致的同时，动作和站位也处于可控状态。

三层机制的组合，配合“全局System Prompt固定画风”（如“日漫风、赛博朋克、Q版”）和角色知识库的引用，构成当前工业化角色一致性管理的标准配置。

参考样式

角色的标准资产包通常包含：正面/侧面/背面三视图（用于IP-Adapter参考）、面部特写（用于FaceID锁定）、LoRA训练图集（15—30张多角度、多表情图）、服装与配饰说明（写入提示词模板）。场景资产则包含多角度参考图与光照/色调规范。

主要工具

·本地工作流：ComfyUI + IP-Adapter + ControlNet + LoRA（Kohya_ss训练）。

·一站式平台的资产管理系统：Jellyfish的“资产一致性与复用体系”专门管理角色、场景、道具、服装的实体库与镜头级关联；万兴剧厂实现“角色五官、气质、服装及多人场景站位全程可控”。

·即梦Seedance 2.0的多模态混合输入：支持图、文、音、视四维输入，在画面一致性上达到较高水平。

四、阶段三：分镜设计与提示词工程

概念

分镜是将剧本的叙事单元转化为可生成的视觉指令的过程。在AI短剧流程中，分镜设计与提示词工程是同一枚硬币的两面：分镜决定“拍什么”，提示词决定“怎么让AI生成出这个” 。这一环节的输出不是传统的文字分镜表，而是一组可直接送入视频生成模型的结构化提示词序列。

参考样式：分镜提示词的结构化模板

当前实践中已形成较为成熟的提示词结构公式。字节跳动官方指南给出的基础框架为：主体 + 动作或事件 + 场景与环境（可选）+ 视觉风格（可选）+ 运镜或切镜（可选）+ 声音（可选） 。

但短剧的连贯性要求提示词必须处理镜头间的状态继承。专业工作流模板强调：每条镜头必须承接上一镜的站位、视线、手部和道具状态；道具先写当前状态，再写人物动作；关键道具必须写唯一性和结果位置。这意味着分镜提示词不是孤立的句子集合，而是一条具有状态传递关系的指令链。

运镜的写法需要将效果拆解为运动趋势、幅度、节奏三个维度写入提示词，而非仅描述首尾画面。景别、机位、镜头运动、对焦对象共同构成运镜的完整描述。

迭代式创作的处理差异

在“不吃榨菜”式的迭代流程中，分镜提示词不是剧本的忠实翻译，而是一个试探性生成指令。一个“画卷从孩子头顶罩下去、卷成一卷、在里面挣扎跳动、再被人捡起”的几秒镜头，提示词目标是“卷轴像麻袋一样”，但AI反复生成麻袋形态，最终尝试了四五十次才获得可用结果。在这种流程中，分镜提示词的“正确性”不由是否忠实于预设剧本判断，而由生成结果是否激发了新的叙事可能性来判断。

主要工具

·结构化分镜生成：Dify工作流中“编剧Agent写剧情、导演Agent拆分镜、提示词优化Agent加风格描述”的多Agent分工模式。

·提示词模板管理：Jellyfish内置图片、视频、分镜提示词模板管理系统。

·专用提示词工程工作流：GitHub上已有面向AI真人短剧的公开分镜提示词模板，覆盖站位连镜、道具稳定和局部返修。

五、阶段四：“抽卡”生视频——概率性生产与成本控制

概念

“抽卡”是AI短剧制作中最核心、最耗时、成本最高的环节。其本质是：当前主流视频生成模型对同一提示词的输出具有显著随机性，无法通过一次生成获得满意结果，必须通过多次生成、人工筛选来逼近目标画面。当前主流大模型单次最多支持生成15秒视频，一条三分多钟的样片，“抽卡”上百条是常态。

“抽卡”环节的经济学特征十分鲜明：同样一分钟的片子，质量把控一般的，几百元算力成本即可；追求极致效果的，往往需要上千元甚至更多。《非妖哉》一集的生成成本约1万元，最初确定风格的一张图就消耗了约10万积分。

模型选型的关键维度

2026年的模型选型逻辑已从“谁画质最强”转向“谁最对、谁更便宜、谁最适合这条工作流” 。关键适配维度如下：

选型的关键判断标准是角色一致性与工作流串联能力，而非单镜头画质。一个团队完全可以在同一部剧中混用多个模型：用Seedance生成需要长镜头连贯性的段落，用可灵处理对白特写，用Vidu批量生成过渡镜头。

抽卡策略与成本控制

工业化流程中的抽卡并非盲目反复生成。有效的策略包括：先用低分辨率/低成本的“草稿模型”探索构图与动作方向，锁定候选后再用高成本模型精生成；对同一镜头使用略有差异的提示词变体并行生成，扩大搜索空间；建立“镜头候选库”，将一次生成中不适用但质量尚可的结果留作其他场景的素材。《非妖哉》的实践表明，即便在高度人工筛选的迭代流程中，“抽卡”的试错成本仍然是时间与算力的主要消耗所在。

六、阶段五：后期精修与音画合成

概念

AI生成的视频片段不能直接拼接成片。后期环节承担三项核心任务：连续性修复（片段与片段之间的人物、场景、光线一致性） 、音画同步（配音、口型、音效与画面的对齐） 、节奏与情绪的精修（“导演思维”的把控）。

当前AI已能自动完成相当比例的流程性后期工作：新一代视频生成模型在生成视频时同步生成音效和精准对口型，甚至自动完成粗剪。但“节奏感、情绪铺垫这些‘软实力’，仍然需要人来把控”。

音画同步的工具链

配音与对口型的实现路径已较为成熟：

·原生音画同步：MiniMax H3可在一次调用中同时返回画面、对话、环境音和唇部动作，音频与视觉在同一推理过程中联合生成。可灵3.0在中文口型与物理细节上具有优势。

·配音后合成：可灵生成对口型画面（提示词中写台词但不指定音色），导出后导入剪映，用独立配音工具叠加精调版配音。

·一站式配音方案：剪映内置多角色AI配音、声匣TTSBOX、云声配音支持声音克隆；SoundView（科大讯飞）集成了配音、口型同步、字幕处理等本地化功能。

·开源影视级配音：阿里通义Fun-CineForge专门解决音画同步与情感表达，支持复杂场景中英文配音，已免费开放。

剪辑与成片

最终剪辑通常在剪映中完成，或在一站式平台内闭环。即梦Seedance 2.5与剪映的深度集成使“生成—精修”的流转成本极低。万兴剧厂将后期剪辑纳入全链路闭环，综合效率较传统模式提升超5倍。ComfyUI工作流则可通过Qwen3-TTS节点生成对话配音、自动加字幕和转场，最终输出MP4导入剪映微调。

参考样式

一集AI短剧的交付形态通常为竖屏9:16、单集时长1—3分钟的成片。画风上，真人风格与漫剧风格（国漫/日漫/漫画）是两条并行的产品线，工具选型也据此分化：Gemini Banana在真人生成上效果最真实，而国漫、日漫风格则更多依赖即梦、可灵及Flux等模型。

七、工具矩阵总览：两类生态及其组合逻辑

AI短剧的工具生态可以清晰地分为两层，理解这一分层是设计工作流的基础。

底层生成模型层负责“生成”本身：即梦Seedance、可灵Kling、Vidu、海螺、通义万相、Veo、Runway等。它们提供的是视频、图像、音频的原始生成能力，以API或订阅形式被调用。这一层的竞争焦点是单次生成的质量、时长、一致性和单位成本。

上层工作流/一站式平台层负责“串联”：小云雀短剧Agent（字节，搭载Seedance 2.0，一键直出成片）、万兴剧厂（集成Seedance 2.0、Kling 3.0、Vidu Q3等多模型，全链路闭环）、有戏AI（多Agent协同，10分钟一集）、Jellyfish（开源工作台，强在资产一致性管理与任务编排）、LibTV（节点式全流程，Seedance/可灵/Wan多模型集成）、ComfyUI + Dify（零代码/低代码本地工作流，最大灵活性与可控性）、Waoo（NAS/本地部署的开源全自动系统）。

组合逻辑取决于团队的目标函数。追求产能与低操作门槛的团队，一站式平台（小云雀、万兴剧厂、有戏AI）是更优起点，其代价是对特定模型组合的锁定和较少的微观控制。追求风格控制与资产复用的团队，ComfyUI + Dify或Jellyfish + 多模型API的组合提供了最大的灵活度：可以针对不同镜头类型切换模型，用LoRA和IP-Adapter精细控制一致性，用Dify或Jellyfish编排任务流。混合架构也完全可行且常见：用一站式平台完成批量镜头的基础生成，用ComfyUI工作流处理高要求的关键镜头和风格定义。

感谢近期关注本号的朋友们